蟻群神經網絡在社區老年人健康檢測中的應用研究*

何 鋒 ，趙江海 ，2，宋小波 ，2，劉忠杰 ，李 芬 ，周培瑩

(1.常州先進制造技術研究所 機器人系統實驗室，江蘇 常州213164；2.中國科學院合肥研究院 先進制造技術研究所機器人系統實驗室，江蘇 常州213164）

隨著社會進步和經濟發展，人口老齡化問題已成為中國21世紀最為突出的社會問題之一。江蘇省作為全國人口大省，老齡化程度高于全國水平，截至2008年底，江蘇省老年人口已超過1 218萬，占戶籍人口總數的16.5%[1]。由于傳統的健康調查報告，社區衛生服務中心的定期人工監測、回訪等方式已經遠遠無法滿足老人健康監測的動態、實時性需求，因此，以社區為整體，以樓層為網格單元，對單元網格內老人健康體征數據進行實時采集，并使用老人健康評估模型進行在線分析，是一種可行并行之有效的方法。

本文構建了一種老人日常體征數據的健康評估的神經網絡模型，模型的聚類算法采用蟻群算法[2]，通過與傳統的K均值聚類算法比對可知，基于蟻群聚類[3]的RBF神經網絡模型能有效避免局部收斂且學習樣本很少，對于老人健康檢測的服務要求來說，本模型是相當合適的，而且模型又兼具傳統RBF神經網絡收斂快，學習性能優越的特點，預測成功率達到了97%以上。本模型能真正實現對老人健康體征信息的主動監測和及時處理，大大提高社區醫療服務水平和質量。

1 問題數學描述

RBF神經網絡通常分成三層：輸入層、隱性層和輸出層。 輸入層節點為模式樣本集合，X={Xi，i=1，2，…，N}，其 中 Xi為 M 維 模 式 矢 量 ，即 Xi=[Xi1，Xi2，… ，XiM]T，N 為輸入層節點數。輸出層節點是線性組合器，可調節參數就是該線性組合器的權值Wk。隱性層采用蟻群算法，將聚類按最鄰近法則規劃，信息素賦相同的初值Tij(i=1，2，…，N；j=1，2，…，K)。

聚類中心的偏離誤差公式如下：

式中Sj表示第j個聚類中心的偏離誤差；Ojk表示單元j對于訓練樣本k的目標值；Cj表示第j個聚類的新中心。總的聚類離散度公式為：

聚類在以上模式下迭代時，當滿足S小于給定誤差以及迭代步數大于最大步數時，終止迭代過程。隱性層和輸出層是線性關系，對于每個聚類中心點評估因子的權值，采用各個聚類的權重因子常量代入。

2 神經網絡設計

2.1 模型設計

依據《國民體質測定標準手冊》[4]老年人部分、《國際健康及體力活動量調查表》、《SF-36生活質量》獲得系統模型的輸入層模式樣本集合，如表1所示。

表1 輸入層模式樣本集合

由表1可知，輸入層節點數為3，分別為體質測量、體力活動調查和生活質量評定。對于每個節點，分別有不同數目的模式矢量，分別為8個、4個、8個。

由于模型的輸出是針對所有輸入樣本集合的匯總健康評價，評價結果具有4個等級（優秀、良好、合格、不合格），所以輸出層節點數為1個。

萬能逼近定理中要求隱性層節點數足夠，但過多的層數和隱性層中過多的神經元數據帶來的過量連接數目將使網絡的泛化能力變差。因此先確定隱性層節點個數的取值范圍，在這個范圍內再取最大值。

隱性層節點個數的取值公式為：

式中C為1～10之間的常數；N為輸入層神經元個數；M為輸出層神經元個數。N=3，M=5，取 C=5，由此計算隱性層節點數為7。

2.2 蟻群聚類算法學習過程設計

根據上述數學模型推導，設計出蟻群聚類算法的流

圖1 蟻群算法自動計算聚類中心流程圖

3 算法實驗結論

結合表1所示的輸入層模式矢量的樣本集合，采用《江蘇省城區老年人日常體力活動水平對體質健康和生活質量的影響》[5]一文中給出的2 015位老年人的三大類樣本集合的數據參與運算，并將神經網絡輸出值與專家評估值做了比對，實驗結果證明模型預測的成功率達到了97%以上。詳細數據見表2所示。由表3可知蟻群神經網絡的學習次數遠遠少于傳統的K均值聚類算法。

表2 部分測試結果與專家評價結果比較

表3 傳統K-Mean聚類算法模型與蟻群聚類算法模型性能比對表

基于蟻群聚類算法的RBF神經網絡具有蟻群算法和RBF神經網絡的雙重優點，使網絡具有更高的收斂速度和較強的學習能力。通過實例表明，基于蟻群算法的神經網絡模型具有較強的分類能力，能夠得出較公平、公正的評價結果，用該評價模型對社區老年人健康狀況進行綜合評價是可行的。通過使用模型進行評價，大大減少評價工作量，降低評價的主觀性，提高評價結果的合理性。下一步的工作是對蟻群聚類算法進行算法策略改進，提高搜索速度，降低模型整體的評價執行時間。

[1]袁靜.江蘇人口老齡化的現狀與對策探析[J].人口與計劃生育，2008(1)：25-26.

[2]Zhao Jianna，Wang Xunying，Wu Zhuozheng.Forecasting gdp growth based on ant colony clustering algorithmand rbf neural network[A].Proceedings of the IEEE International Conference on Automation and Logistics[C].Qingdao，China，2008.

[3]胡利平，許永城，高文，等.蟻群神經網絡在魚病專家系統中的應用研究[J].微計算機信息，2005，21(7-3)：149-151.

[4]國家體育總局.國民體質測定標準手冊(老年人部分)[M].北京：人民體育出版社，2003.

[5]薛茂云.江蘇省城區老年人日常體力活動水平對體質健康和生活質量的影響[J].中國組織工程研究與臨床康復，2010，14(50)：9465-9470.